CN103345638A - 基于医学影像的腔体病灶计算机辅助检测方法 - Google Patents

Abstract

一种基于医学影像的腔体病灶计算机辅助检测方法，包括以下步骤：在医学影像上用若干窗口覆盖腔体壁的内边界，且每个窗口的大小根据腔体壁几何结构或窗口内部特征属性自适应确定；用第一组图像特征量和第一分类器对所述的若干窗口分类，识别出疑似病灶组织窗口；用第二组图像特征量和第二分类器对所述的疑似病灶组织窗口分类，去除假阳性窗口，保留病灶组织窗口；以及在医学影像上用特定的标记显示所述的病灶组织窗口。本方法不但能够大大减轻医生的工作量，而且检测灵敏性和特异性好。

Description

基于医学影像的腔体病灶计算机辅助检测方法

技术领域

本发明涉及数字医学图像处理和计算机辅助检测领域，特别是基于医学影像的腔体内病灶的计算机辅助检测方法。

背景技术

随着医学成像技术和计算机技术的飞速发展，越来越多的人体生理、结构、功能等信息被以医学影像的方式呈现给医生，帮助医生进行疾病的分析和诊断。医学影像的质量在逐步提高，成像模态逐渐增加，信息获取的来源从宏观进入微观。临床上常用的计算机断层成像（CT）、核磁共振成像（MRI）、正电子放射断层成像(PET)、单光子放射计算机断层成像（SPECT）等方法，可以以无创或微创的方式对肿瘤进行诊断，还能够提供肿瘤所在器官表面以下以及器官周边组织的信息，比如肿瘤的浸润深度、转移和扩散的情况。通常，这些工作需要医生人工观察图像，凭经验进行诊断。

然而，随着医学影像成为一种重要的肿瘤检查手段，每天都有巨量的影像数据产生，在没有计算机进行辅助分析和帮助的情况下，如此大量的信息容易造成医生的疲倦从而带来诊断的误差。另一方面，医学影像中包含大量的定量化信息以及诸如高阶纹理等人眼不易察觉的信息。通过计算机辅助的方式，使用合适的方法和系统提取出这些信息，对于辅助医生进行病灶的检测和诊断具有重要的意义。

近年来，医学影像技术和基于影像的可视化技术得到了飞速的发展。医生可以使用2D断层图像和3D重建图像对病人腔体器官内部进行无创检查，计算机技术还可以提供多种可视化环境和交互模式。如目前研究较多的基于医学影像的虚拟内窥镜可以为医生提供3D虚拟内窥环境。多个临床实验表明，在大于10mm的腔体肿瘤探测上，虚拟膀胱镜的精确度与光学膀胱镜已相差无几；而对于8mm及以上直肠息肉，虚拟直肠镜的检测敏感度为93.9%，特异性为92.2%，与光学直肠镜的诊断准确率近似。然而，对于更小的或扁平状的肿瘤或息肉，仅依靠人眼的观察就很难发现，同时由于部分腔体器官结构复杂，很容易出现漏诊的情况。目前类似的基于医学影像的诊断依赖于专家的经验，缺乏定量化的评价标准，同时受限于人眼观察的局限，肿瘤检测的灵敏性和特异性还有待提高。如果采用计算机辅助检测和诊断的方式，挖掘医生无法识别的高阶图像特征，并对多种加权图像进行综合分析，提供定量化的诊断参数，则可以在保留原有优势的基础上，进一步提高对肿瘤/息肉检测的灵敏性和特异性。

发明内容

本发明的目的是提供一种基于医学影像的腔体病灶计算机辅助检测方法。

本发明的技术方案如下：

一种基于医学影像的腔体病灶计算机辅助检测方法，包括以下步骤：

在医学影像上用若干窗口覆盖腔体壁的内边界，且每个窗口的大小根据腔体壁几何结构或窗口内部特征属性自适应确定；

用第一组图像特征量和第一分类器对所述的若干窗口分类，识别出疑似病灶组织窗口；

用第二组图像特征量和第二分类器对所述的疑似病灶组织窗口分类，去除假阳性窗口，保留病灶组织窗口；以及

在医学影像上用特定的标记显示所述的病灶组织窗口。

在上述的腔体病灶计算机辅助检测方法中，优选地，所述的医学影像为三维影像，所述的检测方法还包括：

在输入的医学断层图像上分割出腔体壁的内边界和外边界的步骤；以及

根据分割的内边界和外边界重建所述的三维影像的步骤。

在上述的腔体病灶计算机辅助检测方法中，优选地，所述的窗口呈球形，窗口的中心位于腔体壁的内边界上，且半径较小的窗口的中心位于相邻的半径较大的窗口的边界上。

在上述的腔体病灶计算机辅助检测方法中，优选地，根据窗口内有效体素的比例自适应调整窗口的大小，所述的有效体素是指与窗口中心体素属于同一组织的体素。

在上述的腔体病灶计算机辅助检测方法中，第一组图像特征量从窗口中的体素计算获得，可以包括若干几何特征、纹理特征、灰度特征等特征，特征量的选择旨在快速并尽可能多地识别可能的病灶组织窗口（窗口内部分或全部体素为病灶组织），允许正常组织窗口（窗口内所有的体素均为正常组织）被识别为病灶组织窗口。优选地，第一组图像特征量包括形状指数、弯曲度和归一腔体壁厚度三个特征量中的至少两个，所述的形状指数由体素处的两个主曲率计算得到。

在上述的腔体病灶计算机辅助检测方法中，优选地，第二组图像特征量是采用ROC和/或fROC分析从设定特征量中选择的最佳特征量组合。

在上述的腔体病灶计算机辅助检测方法中，优选地，所述的设定特征量包括基于体素的原始特征的区域统计特征、以及基于体素的原始特征的分层特征。

在上述的腔体病灶计算机辅助检测方法中，所述的原始特征可以包括基于体素及其邻域的图像灰度特征、几何特征和纹理特征。优选地，所述的原始特征包括图像灰度、灰度梯度、距离函数梯度、Haralick特征和Gabor特征。所述的区域统计特征为对窗口内体素原始特征的统计值，优选包括均值、方差、最小值、最大值、skew值、kurt值和contrast值。

在上述的腔体病灶计算机辅助检测方法中，所述的分层特征包括腔体壁内部近似平行于腔体壁的不同层内部计算得到的特征，以及基于这些特征的层间积分值和/或微分值。优选地，所述的分层特征由公式dev(l,f^j)=o₁(l(x))*f^j(l(x)).计算得到，式中o₁表示一阶微分算子，l表示第l层，x表示体素，f^j表示原始特征。

本发明通过计算机辅助的方式，使用分布在腔体壁内边界上的一系列自适应窗口，通过提取大量的定量化信息等人眼不易察觉的信息，对病灶及其表面进行检测，并对覆盖在特定病灶表面上的窗口进行标记，获得完整的病灶表面，不但能够大大减轻医生的工作量，而且检测灵敏性和特异性好。

附图说明

图1为本发明一实施例的流程图；

图2a为确定窗口大小的示意图；

图2b为在一个肿瘤附近窗口分布的示意图。

具体实施方式

下面将结合示意性实施例对本发明的实施方式进行说明。为了清楚起见，在本说明书中并未描述实际实施的所有特征。当然应该理解的是，在任何这种实际实施方案的发展中，必须做出许多实施方案特定的决定以实现开发者的特定目标，例如与设计系统和涉及商业的约束相符，所述约束将根据实施过程的不同而发生变化。此外，应该理解的是，这种开发工作可能是复杂和费时的，但对于受益于本公开内容的本领域普通技术人员来说仍将是所从事的日常工作。

虽然本发明允许各种修改和替代的形式，但已经借助附图中的实例显示了本发明的特定实施方案并在此对其进行详细说明。然而，应该理解的是，此处对特定实施方案的说明并不意欲将本发明限制为所公开的特定形式，而是相反，本发明将覆盖落在如通过所附的权利要求所定义的本发明精神和范围内的所有修改、等价内容和替代方案。

参照图1，本基于医学影像的腔体病灶计算机辅助检测方法包括：

步骤S1，在输入的医学断层图像上分割出腔体壁的内边界和外边界；

步骤S2，根据分割的内边界和外边界重建腔体壁的三维影像；

步骤S3，在医学影像上用若干窗口覆盖腔体壁的内边界，且每个窗口的大小根据腔体壁几何结构或窗口内部特征属性自适应确定；

步骤S4，用第一组图像特征量和第一分类器对所述的若干窗口分类，识别出疑似病灶组织窗口；

步骤S5，用第二组图像特征量和第二分类器对所述的疑似病灶组织窗口分类，去除假阳性窗口，保留病灶组织窗口；以及

步骤S6，在医学影像上用特定的标记显示所述的病灶组织窗口。

在该实施例中，所述的医学影像为三维影像，最终在三维影像上标记显示病灶组织窗口。在另外一些实施例中，也可以不进行腔体壁的三维重建，而在二维的医学断层图像上进行上述步骤S3至步骤S6，即识别病灶组织窗口，进而在二维的医学断层图像上标记显示病灶组织窗口。在一些较佳实施例中，包括两种方案，通过选择，可以在二维的医学断层图像上标记显示病灶组织窗口，或者在三维影像上标记显示病灶组织窗口。

医学断层图像优选但不限于CT和MRI图像，其他能够客观反应人体内部器官几何结构和生理、病理、功能等信息的医学影像模态同样适用。医学断层图像满足以下两个基本要求即可：首先，图像包含足够的结构、生理、病理、功能等信息，用来对正常组织和病灶组织进行区分；其次，图像要有足够高的分辨率，从而保证存在的病灶能够被足够多的图像体素表达。目前，CT和MRI图像分辨率可以达到亚毫米量级。

以下对各个步骤详细说明。

一、在输入的医学断层图像上分割出腔体壁的内边界和外边界。

在对腔体壁进行分割之前，可对图像进行预处理。预处理通常能够降低后续步骤的复杂性并提高检测精度。当预处理是基于图像模态和成像对象的已知特征的情况下，将会得到更好的效果。预处理算法是本领域常见的方法，例如插值、平滑、去噪等处理。对腔体壁的分割可以采用多种方法，最终需要分割得到腔体壁精确的内边界s₁和外边界s₂。一个优选方案是使用两个水平集函数φ₁和φ₂分别分割腔体壁的内边界和外边界。腔体壁的内边界和外边界由水平集函数的零等值面表达，即φ₁(s₁)=0，φ₂(s₂)=0。水平集函数上任何一点x的函数值|φ_i(x)|=d，d是x到s_i的最近欧氏距离，其中i=1,2，φ_i(x)在s_i两侧分别取正值和负值。使用水平集函数进行分割的优势在于可以有效控制分割边界的平滑性，并有效提供分割边界的几何特征。水平集函数是距离函数的性质可以方便地被用于管腔壁厚度等特征的生成。

二、根据分割的内边界和外边界重建腔体壁的三维影像。三维重建为本领域的公知常识，此处不再赘述。

三、在医学影像上用若干窗口覆盖腔体壁的内边界。

由于腔体肿瘤一般发生于腔体壁内边界，然后逐渐向壁内侵袭。因此本发明在医学影像上用若干窗口覆盖腔体壁的内边界，用所述的若干窗口对病灶及其表面进行检测，并对覆盖在特定病灶表面上的窗口进行标记，从而得到完整的病灶表面。每个窗口的大小根据腔体壁几何结构（即腔体壁内边界的几何复杂程度）或窗口内部特征属性（或者说窗口内特征分布的一致性）自适应确定。在后续步骤中，以窗口为单位提取特征，区分正常窗口和包含特定病灶组织的窗口（即病灶组织窗口）。

窗口需要完全覆盖腔体壁内边界，保证没有被遗漏的区域。窗口的大小和形状根据有利于进行计算机辅助检测和诊断的原则确定。以腔体壁的几何形状为例，几何结构较复杂的位置，使用较小的窗口，反之使用较大的窗口。

这里提出“结构（structure）”的概念。一个结构表示一个几何、灰度、纹理等图像特征连续变化分布一致的区域。就医学图像而言，一个结构通常只包含一种组织，同时该组织在窗口内的部分没有明显的特征变化。窗口的设置需要满足以下要求：1)窗口的大小要保证一个窗口内包含尽可能少的结构，从而避免不同结构产生的特征相互干扰；2)窗口中心沿腔体壁的内表面进行排列，最终分割得到的腔体壁内表面上所有体素完全被窗口覆盖，也就是说内表面上的任一个体素至少被包含在一个窗口内；3)窗口形状的设计需要保证从中提取的特征对窗口的旋转具有不变性。

在一个优选方案中，窗口的形状选择球形，使球心（即窗口的中心）位于分割得到的腔体壁内边界上。球形窗口相互重叠，半径较小的窗口的球心位于相邻的半径较大的窗口的边界上。如图2a所示，中心体素I位于肿瘤根部，体素J和K分别位于正常腔体壁和肿瘤上,窗口的类型和其中心体素I一致，即为肿瘤窗口（即病灶组织窗口）,显然该窗口过大，窗口的半径经过调整以后，应该将体素J和K排除在外。为了区分属于不同结构的体素，这里使用上述水平集函数的梯度作为选取准则。对于图2a中的情况，假设体素J和中心体素I处的梯度方向夹角为angle(I,J)(0≤angle(I,J)≤π)，通过预设的夹角阈值θ₀，可以得到标记函数

$\mathrm{La}\left(\mathrm{angle}(I,J)\right)=\left\{\begin{array}{cc}1& \mathrm{angle}(I,J)<{\mathrm{\&theta;}}_0\\ 0& \mathrm{otherwise}\end{array}\right.,$

标记函数在每一个体素处都有取值。对取值为1的体素，意味着该体素和窗口的中心体素属于同一结构，称为有效体素，取值为0的体素和窗口的中心体素属于不同结构，称为无效体素，有效体素的个数对体素总数的比例为有效体素比例。同样，预先设定一个有效体素比例阈值r_e，如果一个窗口中有效体素比例小于r_e，则减小窗口的半径，通过该方法来自适应确定窗口的大小。图2b给出了在一个肿瘤附近窗口分布的示意图，从图中可以看出每一个窗口只包含一种组织，在腔体壁和肿瘤交界处以及肿瘤表面上的窗口半径较小，用于捕捉细微的特征变化；在腔体壁上比较平滑的区域则窗口半径比较大。

更具体地，窗口半径的自适应确定通过以下几个步骤实现：

1）设定起始半径R_i和终止半径R_s；

2）在腔体壁内边界上创建一个新的窗口，窗口半径R=R_i；

3）更新标记函数La，如果窗口内的有效体素比例小于r_e，则窗口半径减去设定值（如2），即R=R-2；

4）如果有效体素比例大于r_e或者窗口半径R已达到终止半径R_s，则当前半径为最终窗口半径R；

重复步骤2）至步骤4），直到腔体壁内边界完全被窗口覆盖。

上述方法是根据窗口内有效体素的比例自适应调整窗口的大小，所述的有效体素由体素与中心体素的梯度方向夹角、以及预设的夹角阈值来确定。

四、用第一组图像特征量和第一分类器对所述的若干窗口分类，识别出疑似病灶组织窗口。

本步骤中的第一组图像特征量和第一分类器的选取需要确保尽可能多的病灶组织窗口被提取出来，本步骤中允许存在大量正常组织窗口被误判为疑似病灶组织窗口，即允许较高的假阳性率。

本步骤的一个优选方案中，使用形状指数(Shape Index,SI)、弯曲度（Curvedness,CV）和归一腔体壁厚度(Normalized Wall Thickness,NWT)作为第一组图像特征量检测候选窗口。形状指数和弯曲度由体素x处的主曲率κ₁(x)和κ₂(x)计算得到，即

SI=0.5-(1/π)arctan(κ₁+κ₂/κ₁-κ₂)

$\mathrm{CV}=\sqrt{({{\mathrm{\&kappa;}}_1}^2+{{\mathrm{\&kappa;}}_2}^2)/2}$

SI的数值在0.0到1.0之间变化，其代表形状由杯形、车辙形、马鞍形、山脊形、帽子形变化。也就是说，在肿瘤的根部和顶部的SI值应该分别接近0.0和1.0。CV代表曲面的弯曲程度。腔体壁厚度T由分割腔体壁外边界的水平集函数φ₂得到，即T=φ₂(x)。同时，考虑到不同数据集中个体差异问题，因此这里使用了归一厚度NWT来表示，即

$\mathrm{NWT}=\frac{\mathrm{WT}}{\stackrel{\&OverBar;}{\mathrm{WT}}}.$

Ω是图像区域，L为标记函数，c表示窗口中心体素， $\stackrel{\&OverBar;}{\mathrm{WT}}=\mathrm{mean}\left(\mathrm{WT}\right)$ 是平均壁厚。

五、用第二组图像特征量和第二分类器对所述的疑似病灶组织窗口分类，识别出病灶组织窗口（即去除假阳性窗口，保留病灶组织窗口）。

本步骤中，从疑似病灶组织窗口中提取更多种特征以及使用较复杂的分类器（即第二分类器），来对已经选出的疑似病灶组织窗口中的假阳性窗口进行排除。假阳性窗口是指内部不包含病灶组织，但被选为疑似病灶组织窗口的窗口。由于从同一窗口中可以生成多个特征量，不同的特征量组合会对假阳性排除的结果有影响，因此可以对不同的特征组合进行比较和筛选，配合合适的分类器进行训练和识别，最终去除疑似病灶组织窗口中的假阳性窗口。使用的特征量包括常用的纹理、灰度、几何等特征量，也包括根据图像模态和腔体特性而选择或提出的具有针对性的特征量。特征量的选取和设计需要考虑到窗口大小、旋转的影响。使用到的分类器是本领域众所周知的，例如支撑向量机(Support Vector Machine,SVM)，线性判别分析(Linear Discriminant Analysis,LDA)和二次判别分析(Quadratic Discriminant Analysis,QDA)等技术。本步骤最终要在保留尽可能多的真阳性窗口的条件下，去除尽可能多的假阳性窗口。

本步骤的一个优选方案中，提出两组新的特征，一组是窗口内部的区域统计特征，另一组是考虑到腔体壁与病灶（肿瘤/息肉）不同层面信息的分层特征。而每一组特征又由五个基于体素的原始特征产生。这五个原始特征是图像灰度I、灰度梯度G_I、距离函数梯度G_φ、Haralick和Gabor特征。设w_i代表第i个窗口，|w_i|是第i个窗口内体素的个数，f^j(j=1,2,3)代表I、G_I、G_φ、Haralick、Gabor，所有的梯度值由体素的一阶邻域计算得到，G_φ是分割腔体壁内边界的水平集函数φ₁(x)的梯度，对于窗口w_i中的特征f^j，其窗口内部的区域统计特征由下式计算得到

$\mathrm{mean}=(w_i,f^j)={\mathrm{\&mu;}}_{\mathrm{ij}}=\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}\frac{f^j\left(x\right)}{\left|w_i\right|}$

$\mathrm{var}(w_i,f^j)={\mathrm{\&sigma;}}_{\mathrm{ij}}^2=\frac{1}{\left|w_i\right|-1}\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}{(f^j\left(x\right)-{\mathrm{\&mu;}}_{\mathrm{ij}})}^2$

$\min (w_i,f^j)=\underset{x\&Element;w_i}{\min }\left\{f^j\left(x\right)\right\}$

$\max (w_i,f^j)=\underset{x\&Element;w_i}{\max }\left\{f^i\left(x\right)\right\}$

$\mathrm{skew}(w_i,f^j)=\frac{1}{\left|w_i\right|}\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}{\left(\frac{f^j\left(x\right)-{\mathrm{\&mu;}}_{\mathrm{ij}}}{{\mathrm{\&sigma;}}_{\mathrm{ij}}}\right)}^3$

$\mathrm{kurt}(w_i,f^i)=\frac{1}{\left|w_i\right|}\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}{\left(\frac{f^i\left(x\right)-{\mathrm{\&mu;}}_{\mathrm{ij}}}{{\mathrm{\&sigma;}}_{\mathrm{ij}}}\right)}^4-3$

$\mathrm{contrast}(w_i,f^j)=\frac{\min (w_i,f^j)}{\max (w_i,f^j)}.$

μ_ij和σ_ij分别是f^j的均值和方差，max(w_i,f^j),min(w_i,f^j)分别是f^j在窗口μ_i内的最大值和最小值。分层特征由分割腔体壁内边界的水平集函数φ₁得到。腔体壁中的第l层包括满足l(x)-0.5≤φ₁(x)<l(x)+0.5的所有体素x。分层特征由公式dev(l,f^j)=o₁(l(x))*f^j(l(x)).计算得到，这里o₁是一阶微分算子，将l(x)作为自变量，则反映了特征f^j在层间的变化。对于每一个原始特征j，可获得7个统计特征和1个分层特征，也就是说一共生成了40个新的特征量，再加上SI、CV、NWT一起，从每一个窗口中共产生了43个特征量。

基于以上特征，进一步选择合适的分类器（即第二分类器）对疑似病灶组织窗口进行分类，识别了病灶组织窗口（即真阳性窗口）和非病灶组织窗口（即假阳性窗口）。在对分类器进行训练的过程中，所有的候选窗口被分为训练和测试两组，病灶区域预先由医生进行手工标记为“正常组织”或“病灶组织”。中心体素为“病灶”的窗口为病灶组织窗口，其他为非病灶组织窗口。分类器使用SVM，通过ROC(Receiver Operating Characteristics)和fROC(freeresponse ROC)分析从43个特征量中选择最佳的特征组合量（即第二组图像特征量）。训练好的分类器即可用于对疑似病灶组织窗口进行分类。

六、在医学影像上用特定的标记显示所述的病灶组织窗口。

本步骤对最终的检测结果进行显示。可以设计显示的内容包括以下几个主要部分：1、2D标记图像，显示断层图像并在断层图像上用特定的标记显示最终检测的病灶组织窗口；2、2D原始图像，显示没有标记的原始图像；3、3D标记图像，对腔体壁进行三维重建及显示，并在3D图像上用特定的标记显示最终检测的肿瘤/息肉窗口区域；4、3D参考图像，直接显示腔体壁重建后的3D图像，用作参考；5、2D特征显示图像，将从窗口中提取的相应特征的值使用伪彩色表示，并叠加在原始的2D图像上；6、3D特征显示图像，将从窗口中提取的相应特征的值使用伪彩色表示，并叠加在原始的3D图像上。上述的2D图像来自于原始医学影像数据，根据实际需要进行不同方向的切割得到的切面图。

本发明除了上述识别病灶外，还可以进一步对病灶组织特性，如肿瘤的分期分级等特性进行区分。

Claims (9)

1.一种基于医学影像的腔体病灶计算机辅助检测方法，其特征在于，包括以下步骤：

在医学影像上用若干窗口覆盖腔体壁的内边界，且每个窗口的大小根据腔体壁几何结构或窗口内部特征属性自适应确定；

用第一组图像特征量和第一分类器对所述的若干窗口分类，识别出疑似病灶组织窗口；

用第二组图像特征量和第二分类器对所述的疑似病灶组织窗口分类，去除假阳性窗口，保留病灶组织窗口；以及

在医学影像上用特定的标记显示所述的病灶组织窗口。

2.根据权利要求1所述的腔体病灶计算机辅助检测方法，其特征在于，所述的医学影像为三维影像，所述的检测方法还包括：

在输入的医学断层图像上分割出腔体壁的内边界和外边界的步骤；以及

根据分割的内边界和外边界重建所述的三维影像的步骤。

3.根据权利要求2所述的腔体病灶计算机辅助检测方法，其特征在于，所述的窗口呈球形，窗口的中心位于腔体壁的内边界上，且半径较小的窗口的中心位于相邻的半径较大的窗口的边界上。

4.根据权利要求3所述的腔体病灶计算机辅助检测方法，其特征在于，根据窗口内有效体素的比例自适应调整窗口的大小，所述的有效体素是指与窗口中心体素属于同一组织的体素。

5.根据权利要求1所述的腔体病灶计算机辅助检测方法，其特征在于，第一组图像特征量从窗口中的体素计算获得，包括若干几何特征、纹理特征和灰度特征。

6.根据权利要求1所述的腔体病灶计算机辅助检测方法，其特征在于，第二组图像特征量是采用ROC和/或fROC分析从设定特征量中选择的最佳特征量组合。

7.根据权利要求6所述的腔体病灶计算机辅助检测方法，其特征在于，所述的设定特征量包括基于体素的原始特征的区域统计特征、以及基于体素的原始特征的分层特征。

8.根据权利要求7所述的腔体病灶计算机辅助检测方法，其特征在于，所述的原始特征包括基于体素及其邻域的图像灰度特征、几何特征和纹理特征；所述的区域统计特征为对窗口内体素原始特征的统计值，包括均值、方差、最小值、最大值、skew值、kurt值和contrast值。

9.根据权利要求7所述的腔体病灶计算机辅助检测方法，其特征在于，所述的分层特征包括腔体壁内部近似平行于腔体壁的不同层内部计算得到的特征，以及基于这些特征的层间积分值和/或微分值。

Images